SlideShare a Scribd company logo
Лекция 1.  Введение.
Предпосылки возникновения НС Схема нейрона головного мозга Особенности строения мозга: ,[object Object],[object Object],[object Object],[object Object],[object Object]
История развития НС 1. Мак Каллок, Питтс: статья по нейровычислениям, 1943г. Минский: первый экспериментальный нейрокомпьютер  Snark , 1951 г. 2. Ф.Розенблат: создание персептрона, идея обучения на  примерах, 1961г. Минский, Пейперт: статья об ограниченности персептронов, проблема «исключающего или», 1969г. 3. Румельхарт: метод обучения многослойного персептрона,  1986г.
Терминология  ,[object Object],[object Object],[object Object],[object Object],[object Object]
Терминология. Слои нейронов  Двухслойный персептрон. 3 входа; 3 выхода; 2 слоя нейронов, выполняющих вычисления.
Классификация НС. По архитектуре связей
Классификация НС. Другие варианты По типу обрабатываемой информации: - бинарные; - аналоговые. По числу слоев: - однослойные; - двухслойные; - ... По характеру связанности: - полносвязанные; - частичносвязанные. По режиму смены состояния нейронов: - синхронные; - асинхронные.
Области применения НС. Классификация образов Отнесение образа к одному из заданных классов. Примеры задач:  - оптическое распознавание символов,  - автоматическое считывание чеков и форм, - безопасность транзакций по пластиковым карточкам,  - обработка медицинских изображений,  - распознавание сигналов радаров, - анализ аэрокосмических снимков,  - системы идентификации личности,  - распознавание голоса,  - распознавание лиц,  - распознавание автомобильных номеров, - мониторинг информационных потоков, - обнаружение подделок.
Области применения НС. Классификация образов. Примеры систем ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Области применения НС. Кластеризация  /  категоризация ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Области применения НС. Аппроксимация функций По выборке ( (x 1 ,y 1 ), (x 2 ,y 2 )..., (x n ,y n ) ) (пары данных аргумент-значение), которая генерируется неизвестной функцией  y(x) , искаженной шумом, найти оценку этой функции. Примеры задач: - оценка коммерческих рисков; - выявление пере- и недооцененных компаний; - автоматическое рейтингование. Пример системы: Система коррекции изображений (уменьшение расфокусировки, увеличение контрастности и т.п.).
Области применения НС. Прогнозирование ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Области применения НС. Оптимизация ,[object Object],[object Object],[object Object],[object Object],[object Object]
Области применения НС. Ассоциативная память Память, доступ к ячейкам которой осуществляется по их содержимому .  Примеры задач : - смысловой поиск информации в базах данных; - техническая диагностика; - синтез речи. Пример системы: Анализ содержания текста и проведение в нем смыслового поиска информации.  TextAnalyst (Microsystems ltd ).
Области применения НС. Управление Целью управления является расчет такого воздействия на систему, при котором она следует по желаемой  траектории, диктуемой эталонной моделью. Примеры задач : - оптимальное управление двигателем; - управление роботами; - управление химическими реакторами. Пример системы: Управление процессом стыковки космических кораблей ( NASA,  США )
Области применения НС. Визуализация многомерных данных Представление многомерной информации в виде двумерных изображений (карт) с минимально возможными искажениями. Точки близкие на построенной карте соответствуют близким исходным данным.
Примеры применения НС. ,[object Object],[object Object],[object Object]

More Related Content

Similar to Лекция 1

Deep Learning Course Introduction
Deep Learning Course IntroductionDeep Learning Course Introduction
Deep Learning Course Introduction
Ihar Nestsiareania
 
Нейрокомпьютеры и нейросети
Нейрокомпьютеры и нейросетиНейрокомпьютеры и нейросети
Нейрокомпьютеры и нейросети
refasw
 
NUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptx
NUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptxNUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptx
NUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptx
whiskeycat17
 
Deep Learning and Convolutional Networks
Deep Learning and Convolutional NetworksDeep Learning and Convolutional Networks
Deep Learning and Convolutional Networks
AlignedResearch
 
Нейрокомпьютеры
НейрокомпьютерыНейрокомпьютеры
НейрокомпьютерыTemniFV
 
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)
motivnt
 
Нейроморфный чип
Нейроморфный чипНейроморфный чип
Нейроморфный чип
motivnt
 
Нейронные сети. Pureso
Нейронные сети. PuresoНейронные сети. Pureso
Нейронные сети. Pureso
Alexey Dmitriev
 
Лекция "Задача моделирования когнитивной эволюции"
Лекция "Задача моделирования когнитивной эволюции"Лекция "Задача моделирования когнитивной эволюции"
Лекция "Задача моделирования когнитивной эволюции"
begingroup
 
Лекция 9
Лекция 9Лекция 9
Лекция 9
Ivan Stolyarov
 
Тестирование Нейронных сетей
Тестирование Нейронных сетейТестирование Нейронных сетей
Тестирование Нейронных сетей
SQALab
 
Введение в архитектуры нейронных сетей / HighLoad++ 2016
Введение в архитектуры нейронных сетей / HighLoad++ 2016Введение в архитектуры нейронных сетей / HighLoad++ 2016
Введение в архитектуры нейронных сетей / HighLoad++ 2016
Grigory Sapunov
 
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)
Ontico
 
Нейросетевые системы автоматического распознавания морских объектов
Нейросетевые системы автоматического распознавания морских объектовНейросетевые системы автоматического распознавания морских объектов
Нейросетевые системы автоматического распознавания морских объектов
Natalia Polkovnikova
 
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАНВычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
BDA
 
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАНВычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАНBDA
 
Моделирование поведения сложных динамических систем
Моделирование поведения сложных динамических системМоделирование поведения сложных динамических систем
Моделирование поведения сложных динамических систем
Спецсеминар "Искусственный Интеллект" кафедры АЯ ВМК МГУ
 

Similar to Лекция 1 (20)

Deep Learning Course Introduction
Deep Learning Course IntroductionDeep Learning Course Introduction
Deep Learning Course Introduction
 
Нейрокомпьютеры и нейросети
Нейрокомпьютеры и нейросетиНейрокомпьютеры и нейросети
Нейрокомпьютеры и нейросети
 
NUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptx
NUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptxNUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptx
NUG_prezentatsia_o_neyronnykh_setyakh_24_02.pptx
 
Deep Learning and Convolutional Networks
Deep Learning and Convolutional NetworksDeep Learning and Convolutional Networks
Deep Learning and Convolutional Networks
 
Нейрокомпьютеры
НейрокомпьютерыНейрокомпьютеры
Нейрокомпьютеры
 
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)
Нейроморфный чип “Алтай” ориентированный на использование в РТК (ПСиЗУ 2016)
 
Нейроморфный чип
Нейроморфный чипНейроморфный чип
Нейроморфный чип
 
Artem abm
Artem abmArtem abm
Artem abm
 
Нейронные сети. Pureso
Нейронные сети. PuresoНейронные сети. Pureso
Нейронные сети. Pureso
 
Лекция "Задача моделирования когнитивной эволюции"
Лекция "Задача моделирования когнитивной эволюции"Лекция "Задача моделирования когнитивной эволюции"
Лекция "Задача моделирования когнитивной эволюции"
 
Лекция 9
Лекция 9Лекция 9
Лекция 9
 
Тестирование Нейронных сетей
Тестирование Нейронных сетейТестирование Нейронных сетей
Тестирование Нейронных сетей
 
Введение в архитектуры нейронных сетей / HighLoad++ 2016
Введение в архитектуры нейронных сетей / HighLoad++ 2016Введение в архитектуры нейронных сетей / HighLoad++ 2016
Введение в архитектуры нейронных сетей / HighLoad++ 2016
 
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)
Введение в архитектуры нейронных сетей / Григорий Сапунов (Intento)
 
0907.0229
0907.02290907.0229
0907.0229
 
Нейросетевые системы автоматического распознавания морских объектов
Нейросетевые системы автоматического распознавания морских объектовНейросетевые системы автоматического распознавания морских объектов
Нейросетевые системы автоматического распознавания морских объектов
 
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАНВычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
 
NeuroCS
NeuroCSNeuroCS
NeuroCS
 
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАНВычислительная и коммуникационная инфраструктура Академгородка и СО РАН
Вычислительная и коммуникационная инфраструктура Академгородка и СО РАН
 
Моделирование поведения сложных динамических систем
Моделирование поведения сложных динамических системМоделирование поведения сложных динамических систем
Моделирование поведения сложных динамических систем
 

More from Ivan Stolyarov

Лекция 8
Лекция 8Лекция 8
Лекция 8
Ivan Stolyarov
 
Лекция 7
Лекция 7Лекция 7
Лекция 7
Ivan Stolyarov
 
Лекция 6
Лекция 6Лекция 6
Лекция 6
Ivan Stolyarov
 
Лекция 5
Лекция 5Лекция 5
Лекция 5
Ivan Stolyarov
 
Лекция 4
Лекция 4Лекция 4
Лекция 4
Ivan Stolyarov
 
Лекция 3
Лекция 3Лекция 3
Лекция 3
Ivan Stolyarov
 

More from Ivan Stolyarov (6)

Лекция 8
Лекция 8Лекция 8
Лекция 8
 
Лекция 7
Лекция 7Лекция 7
Лекция 7
 
Лекция 6
Лекция 6Лекция 6
Лекция 6
 
Лекция 5
Лекция 5Лекция 5
Лекция 5
 
Лекция 4
Лекция 4Лекция 4
Лекция 4
 
Лекция 3
Лекция 3Лекция 3
Лекция 3
 

Лекция 1

  • 1. Лекция 1. Введение.
  • 2.
  • 3. История развития НС 1. Мак Каллок, Питтс: статья по нейровычислениям, 1943г. Минский: первый экспериментальный нейрокомпьютер Snark , 1951 г. 2. Ф.Розенблат: создание персептрона, идея обучения на примерах, 1961г. Минский, Пейперт: статья об ограниченности персептронов, проблема «исключающего или», 1969г. 3. Румельхарт: метод обучения многослойного персептрона, 1986г.
  • 4.
  • 5. Терминология. Слои нейронов Двухслойный персептрон. 3 входа; 3 выхода; 2 слоя нейронов, выполняющих вычисления.
  • 6. Классификация НС. По архитектуре связей
  • 7. Классификация НС. Другие варианты По типу обрабатываемой информации: - бинарные; - аналоговые. По числу слоев: - однослойные; - двухслойные; - ... По характеру связанности: - полносвязанные; - частичносвязанные. По режиму смены состояния нейронов: - синхронные; - асинхронные.
  • 8. Области применения НС. Классификация образов Отнесение образа к одному из заданных классов. Примеры задач: - оптическое распознавание символов, - автоматическое считывание чеков и форм, - безопасность транзакций по пластиковым карточкам, - обработка медицинских изображений, - распознавание сигналов радаров, - анализ аэрокосмических снимков, - системы идентификации личности, - распознавание голоса, - распознавание лиц, - распознавание автомобильных номеров, - мониторинг информационных потоков, - обнаружение подделок.
  • 9.
  • 10.
  • 11. Области применения НС. Аппроксимация функций По выборке ( (x 1 ,y 1 ), (x 2 ,y 2 )..., (x n ,y n ) ) (пары данных аргумент-значение), которая генерируется неизвестной функцией y(x) , искаженной шумом, найти оценку этой функции. Примеры задач: - оценка коммерческих рисков; - выявление пере- и недооцененных компаний; - автоматическое рейтингование. Пример системы: Система коррекции изображений (уменьшение расфокусировки, увеличение контрастности и т.п.).
  • 12.
  • 13.
  • 14. Области применения НС. Ассоциативная память Память, доступ к ячейкам которой осуществляется по их содержимому . Примеры задач : - смысловой поиск информации в базах данных; - техническая диагностика; - синтез речи. Пример системы: Анализ содержания текста и проведение в нем смыслового поиска информации. TextAnalyst (Microsystems ltd ).
  • 15. Области применения НС. Управление Целью управления является расчет такого воздействия на систему, при котором она следует по желаемой траектории, диктуемой эталонной моделью. Примеры задач : - оптимальное управление двигателем; - управление роботами; - управление химическими реакторами. Пример системы: Управление процессом стыковки космических кораблей ( NASA, США )
  • 16. Области применения НС. Визуализация многомерных данных Представление многомерной информации в виде двумерных изображений (карт) с минимально возможными искажениями. Точки близкие на построенной карте соответствуют близким исходным данным.
  • 17.